Career Quest

Язык: English (EN) | Русский (RU) | Қазақша (KZ)

Краткое описание

Career Quest — навигатор развития сотрудников для трека Halyk Bank на HackAlem AI. Он помогает сотруднику выбирать обучение с учётом навыков и карьерных целей, а HR — видеть дефициты навыков и сотрудников, которым может пригодиться поддержка.

Проект решает практическую проблему: каталог курсов сам по себе не объясняет, что изучать дальше и хватит ли доступных активностей для достижения цели конкретного сотрудника.

Что реализовано

• Кабинеты сотрудника и HR с проверкой прав на сервере.
• Карьерная траектория, текущие и целевые уровни навыков, показатель готовности.
• Объяснимые рекомендации с учётом дефицитов, критических требований, истории участия, формата и длительности. Подключаемый ИИ выбирает 1–3 активности из допустимых кандидатов.
• Каталог добровольных активностей, личный план, запись, отказ, завершение и история развития.
• Автоматическое дополнение каталога заданиями для самостоятельной практики, если доступных шагов обучения недостаточно. Исходные курсы и оценки навыков сохраняются.
• Аналитика HR, просмотр профилей сотрудников и отчёт о покрытии каталога.
• Импорт JSON/CSV с предпросмотром, экспорт датасета и полные резервные копии с личными планами.
• Интерфейс на русском, английском и казахском, сохранение выбранного языка и адреса экранов, например #/activities.

Как работает решение

1. Сервер загружает профили сотрудников, навыки, требования к ролям, активности и историю участия.
2. Рассчитывает разрыв до указанной карьерной цели либо до следующего грейда в текущей роли.
3. Проверяет роль, грейд, предварительные требования, завершённые активности и доступные сессии, затем ранжирует варианты. Если пути обучения не хватает, добавляет шаги самостоятельной практики.
4. Сотрудник получает рекомендации с расчётными обоснованиями и, при подключённом ИИ, отдельным объяснением модели.
5. Сотрудник добавляет активность в план и отмечает завершение. Демо обновляет навыки в пределах ограничений активности, рекомендации и показатели HR.

Повторные завершения остаются в истории, но не дают повторного прироста и не завышают аналитику или рейтинг рекомендаций. Для повторяемых активностей учитывается сессия. Автоматически добавленные задания помечены отдельно; само дополнение каталога не повышает навыки.

Технологии

Область	Реализация
Сервер	JavaScript ES modules, Node.js 22+, встроенные HTTP API и работа с файлами
Интерфейс	HTML, CSS, обычный JavaScript; без фронтенд-фреймворка и этапа сборки
Хранение	Локальный JSON-файл с атомарной заменой; исходные данные JSON/CSV
Рекомендации	Локальные детерминированные правила; опционально OpenAI или Ollama
OpenAI	Responses API с JSON-схемой; модель по умолчанию gpt-4.1-mini, настраивается
Ollama	Локальный /api/chat; модель устанавливает пользователь
Тесты	Встроенные node:test и node:assert

В package.json нет сторонних зависимостей. Рекомендации по правилам и дополнение каталога работают без API-ключа.

Архитектура проекта

Браузер: public/ (EN / RU / KZ)
              ↕ HTTP /api/*
server.js — сессии, права, предпросмотр импорта, сохранение
  ├─ lib/domain.js — доступность, ранжирование, прогресс и аналитика HR
  ├─ lib/dataset.js + dataset-loader.js — адаптация данных и пересчёт
  ├─ lib/catalog-repair.js — проверка покрытия и дополнительные задания
  ├─ lib/ai.js — OpenAI / локальная Ollama, резервный режим правил
  └─ data/state.json — рабочее состояние

В public/ находятся страницы и стили, общие компоненты (components.js), маршруты (routes.js) и переводы (i18n.js, language.js, catalog.js). Браузер не обращается к OpenAI напрямую: ключ читает сервер. Рекомендации кешируются по сотруднику, языку и версии данных; сохранение изменений сбрасывает кеш.

Установка и запуск

Нужны Node.js 22+ и Git, если репозиторий клонируется.

1. Получите проект и откройте его папку:

   git clone https://github.com/BAITC-Hacks/hack-c063abd8-team-core.git
   cd hack-c063abd8-team-core
   

2. Проверьте версию Node.js и запустите сервер:

   node --version
   npm start
   

3. Откройте http://127.0.0.1:3000. npm install и сборка не нужны. Если PowerShell блокирует npm, используйте npm.cmd start. Остановка сервера — Ctrl+C.

Кабинет	Логин	Пароль по умолчанию
Сотрудник, профиль E0028	employee	grow-together
HR	hr	support-growth

Существующий data/state.json имеет приоритет. Если его нет, сервер загружает data/source/, а при отсутствии исходных данных создаёт демодатасет. При запуске недостающие пути каталога дополняются автоматически.

Необязательная настройка ИИ

Создайте .env рядом с server.js по образцу .env.example, не перезаписывая существующие настройки. Для явного запуска без внешнего ИИ достаточно AI_PROVIDER=rules. Для OpenAI укажите ключ локально:

AI_PROVIDER=openai
OPENAI_API_KEY=your_key_here
OPENAI_MODEL=gpt-4.1-mini

Для уже установленной локальной модели Ollama:

AI_PROVIDER=ollama
OLLAMA_MODEL=your_installed_model
OLLAMA_URL=http://127.0.0.1:11434

После изменения .env перезапустите сервер. Не публикуйте ключ. .env, рабочее состояние и резервные копии исключены из Git. Переменные окружения процесса имеют приоритет над .env. Если провайдер не указан, наличие ключа выбирает OpenAI, иначе настроенной модели — Ollama, иначе используются правила. При ошибке ИИ или тайм-ауте восемь секунд интерфейс показывает резервные рекомендации по правилам.

HOST и PORT задают адрес сервера; по умолчанию — 127.0.0.1:3000. Для привязки к сетевому интерфейсу, отличному от loopback, задайте EMPLOYEE_PASSWORD и HR_PASSWORD. EMPLOYEE_ID выбирает профиль сотрудника; STATE_FILE и DATASET_DIR — пути хранения.

Как проверить решение: сценарий для жюри

1. Запустите проект без API-ключа и войдите как employee. Выберите RU, EN или KZ.
2. Откройте Мой путь развития, сравните текущие и целевые уровни навыков.
3. Нажмите Почему этот шаг? в рекомендации. Посмотрите обоснование и ожидаемый прирост. Автоматически добавленная практика имеет отдельную пометку.
4. Добавьте активность в план, откройте её и отметьте завершение. Проверьте изменение навыка, историю и новые рекомендации. Это изменяет локальное демосостояние.
5. Выйдите и войдите как hr. Посмотрите дефициты команды, покрытие каталога и профиль сотрудника.
6. В Управлении данными выберите fixtures/jury-profiles.json и нажмите Проверить файлы. На исходном датасете добавляются три профиля: 200 → 203. Изучите предпросмотр перед применением; после импорта найдите JURY01.
7. Скачайте полную резервную копию: она включает прогресс, ручные записи и отказы. Для восстановления выберите её через ту же форму, выполните проверку и нажмите кнопку восстановления. Это заменяет все текущие данные, после чего каталог проверяется на пробелы. Обычный экспорт датасета личные планы не включает.

Автоматические проверки:

npm test
npm run check

Тесты проверяют права, смену файла во время предпросмотра, дубли завершений, резервные копии, ранжирование, дополнение каталога, локализацию и запросы к ИИ. Ответы ИИ имитируются, API-кредиты не расходуются. Тест исходного датасета проверяет снижение числа сотрудников с дефицитами без рекомендаций с 30 до 0 после дополнения, без изменения оценок и истории. Это покрытие каталога в тестовых данных, а не измеренный эффект обучения; тест выполняется при наличии исходного набора.

Данные и интеграции

Синтетический набор в data/source/ содержит 200 сотрудников, 8 ролей, 40 исходных активностей, 60 навыков, 32 профиля требований к роли/грейду и 2743 записи истории. Опорная дата — 2026-10-01. В рабочем каталоге дополнительно появляются автоматически созданные задания.

HR может загрузить вместе employees.json, events.json, skills.json и activity_history.csv либо объединённый JSON. Профили, активности и навыки объединяются по ID; история заменяется для сотрудников, представленных в загруженной истории. Предпросмотр привязан к содержимому, сессии и версии данных. Интерфейс принимает файлы общим объёмом до 7 МБ; лимит запроса сервера — 8 МБ.

Для полной замены датасета вне интерфейса сначала остановите сервер:

npm run import:dataset
npm start

Команда читает data/source/, проверяет данные, дополняет каталог, сохраняет прежнее состояние в data/backups/ и заменяет его. Другую папку можно указать так: npm run import:dataset -- /path/to/dataset.

В режиме OpenAI сервер передаёт роль, грейд, стаж, карьерную цель, формат работы, навыки и сведения о кандидатах на рекомендацию. Имена, ID сотрудников и руководителей, исходная история не передаются. Используется store: false, что не означает гарантии нулевого хранения. Ollama доступна только по локальному адресу. Прямых интеграций с банком, HR-системой или платформой обучения нет.

Ограничения

• Прототип хакатона: две демоучётные записи, сессии в памяти, локальное JSON-хранилище. Нет SSO, промышленной БД и координации нескольких экземпляров сервера.
• Завершение отмечает сам пользователь; навыки меняются сразу, даже для выбранной будущей сессии. Посещаемость и практическая компетентность независимо не подтверждаются.
• Дополнительная практика строится по шаблонам уровней. Это не проверенные внешние курсы, сертификация или занятия с преподавателем.
• Готовность — ориентир развития, а не решение о повышении. Сигналы поддержки HR основаны на правилах истории, а не на прогнозе эффективности или увольнения.
• ИИ может ошибаться; скорость и доступность зависят от провайдера. Расчёты используют дату снимка данных, если она задана.
• Неизвестные тексты из пользовательского импорта остаются на исходном языке. Текущая версия не заявляется готовой к промышленной эксплуатации.

Развёрнутая версия

Подтверждённой ссылки на публично развёрнутую версию в репозитории нет. Для проверки используйте локальный адрес http://127.0.0.1:3000.